Marginal Analysis of Count Time Series in the Presence of Missing Observations
存在缺失观测时计数时间序列的边际分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：题名和摘要均明确研究计数时间序列，并分析泊松及二项自回归过程，直接支持时间序列分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
存在缺失观测时计数时间序列的边际分析
- 研究问题
- 当有界或无界计数时间序列存在观测缺失时，如何进行离散程度与偏度诊断，并获得相应统计量的渐近近似？
- 方法与思路
- 作者采用幅度调制处理缺失观测，为离散程度和偏度统计量推导闭式渐近公式，并给出泊松与二项自回归的特例。
- 材料陈述的贡献
- 摘要称，在较弱过程假设下得到一般公式，通过模拟考察有限样本近似，并以三个真实数据例子展示缺失下的诊断检验。
- 阅读关注点
- 应核对缺失机制及其与原过程的关系、统计量的归一化方式、弱假设的具体内容，以及自回归特例公式的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明允许何种缺失机制，也未给出渐近公式和模拟精度数值。
原文摘要
Time series in real-world applications often have missing observations, making typical analytical methods unsuitable. One method for dealing with missing data is the concept of amplitude modulation. While this principle works with any data, here, missing data for unbounded and bounded count time series are investigated, where tailor-made dispersion and skewness statistics are used for model diagnostics. General closed-form asymptotic formulas are derived for such statistics with only weak assumptions on the underlying process. Moreover, closed-form formulas are derived for the popular special cases of Poisson and binomial autoregressive processes, always under the assumption that missingness occurs. The finite-sample performances of the considered asymptotic approximations are analyzed with simulations. The practical application of the corresponding dispersion and skewness tests under missing data is demonstrated with three real-data examples.